Está en la página 1de 23

Panorama No. 4.

Tecnologas de sistemas para pymes

Prediccin con series de tiempo


y regresin
Efran Moreno Sarmiento

1. INTRODUCCIN
Diariamente los dueos de empresa se ven enfrentados al problema de pronosticar el nivel futuro de su
actividad econmica. Pronsticos de ventas, utilidades,
inversiones y costos entre otros, se constituyen en elementos importantes de la planificacin de los negocios;
sin embargo para lograrlos, se necesita conocer y disponer de informacin confiable y suficiente del pasado;
estudiarla y detectar tendencias, variaciones cclicas y

estacinales, con el fin de poderlas reproducir a travs


de modelos estadsticos. Este campo de los modelos
estadsticos ha crecido al mismo ritmo del desarrollo
de los computadores de tal forma, que existe una gran
cantidad de modelos de pronsticos. Unos sencillos,
como los que inicialmente se consideran en este documento y de gran despliegue en los textos clsicos de
la Estadstica bsica, los tradicionales de la regresin

Resumen
En el siguiente documento se desarrollan algunos modelos bsicos de pronstico con base en series cronolgicas, regresin lineal, exponencial y parablica de
amplio despliegue en los textos clsicos de la Estadstica, utilizando en todos los casos las herramientas
que ofrece la hoja electrnica Excel. Este trabajo resalta la importancia de conocer la evolucin y tendencia
de las variables principales de los negocios, conocimientos que manejan de manera intuitiva los dueos
de pequeas y medianas empresa, pero que algunas
veces es necesario traducirlos a lenguajes abstractos,
mediante modelos estadsticos, que permitan generalizar y puedan ser utilizados de manera fcil y econmica como instrumento para la toma de decisiones en
situaciones futuras.

Abstract
This document develops some basic models of forecast
based on time series, linear regression and exponential
and parabolic regression, known widely in classic statistics textbooks, and their usages are supported with
an Excel worksheet.
The importance of knowing the evolution and tendency of the main variables in businesses are highlighted
in this paper. These concepts are managed intuitively
for owners of median and small businesses, however it
is necessary to translate them to abstract models by
using statistical models. This type of models generalizes different kind of situations and can be used easy
and economical way, as a tools to make decisions in
future events.

Palabras clave
Prediccin con series de tiempo, valores de tendencia
mensual, valores desestacionalizados, ndices estacionales en la prediccin, modelos de regresin lineal, exponencial y parablico.

Key words
Forecast with times series, monthly tendency data, unseasonalized data, seasonal indexes in the forecast; parabolic, exponential, and linear regression models.

36

De todas formas estos modelos tienen unos denominadores comunes: la dependencia de una informacin
confiable, adecuadamente caracterizada, normalizada
y almacenada, que unida a la experiencia y pericia del
investigador, puede generar buenas o malas estimaciones siempre y cuando las condiciones histricas
sean muy similares a las que se pretenden modelar en
el futuro.

2. DESCRIPCIN DEL PROBLEMA


Pronosticar es fundamental en las pequeas y medianas empresas pymes puesto que las predicciones se
pueden incorporar al proceso de toma de decisiones
inteligentes. En particular, estas pequeas empresas
requieren pronsticos de muchos hechos y situaciones en todas las fases de su produccin. En el sitio de
trabajo del dueo, deben estar disponibles pronsticos
confiables de las ventas para poder planificar las estrategias de la produccin. En un programa de produccin
se requieren las predicciones de la demanda de cada
producto. Estas proyecciones se elaboran para periodos
concretos que pueden ser das especficos, semanas o
meses. Estas estimaciones permiten a los propietarios
poder planificar la produccin y el mantenimiento del
inventario. Los pronsticos de la demanda para cada
producto se pueden leer en pronsticos de cantidades
necesarias de materia prima, de modo que las compras
se puedan planificar.

3. MARCO TERICO
Como se seal en la introduccin, no hay un solo modelo para establecer pronsticos que sea el mejor. De
hecho, existen bastantes mtodos para realizar estimaciones que se puedan usar. Estos mtodos se dividen en
dos tipos clsicos: mtodos cualitativos y cuantitativos.

3.1. Mtodos cualitativos para establecer


pronsticos
Son aquellos que valoran la experiencia y usan su opinin para establecer pronsticos que predicen, en forma
subjetiva, hechos futuros. Son claves sobre todo cuando
los datos histricos no estn disponibles o son pocos.
Las tcnicas cualitativas son usadas a menudo para
predecir cambios en los patrones de datos histricos.
Entre las tcnicas cualitativas ms representativas se
encuentra el ajuste de curva subjetivo basado en el ciclo de vida de un producto de acuerdo con Bowerman,
O`Connell y Koehler (2007)2. Se considera que este ciclo de vida consta de una primera etapa: el crecimiento,
en el que las ventas comienzan muy lentamente, luego rpidamente. En la segunda etapa se consigue una
estabilidad, sigue el aumento, pero a menor velocidad
hasta estabilizarse, y en la ltima, aparece la declinacin. La construccin subjetiva de estas curvas no es
sencilla; requiere gran experiencia y criterio.

Efran Moreno Sarmiento.


Estadstico de la Universidad Nacional, docente
de tiempo completo e Investigador del Politcnico Grancolombiano, ex funcionario del sector
financiero colombiano.
Para contactar al autor:
emorenos@poligran.edu.co

1 Box, G. E. P. y Jenkins G. M. (1976). Time series analysis, forecasting and control. San Francisco: Holden Day Inc. Pag. 1.
2 Bowerman, B. L.; O`Connell, R. T. y Koehler, A. B. (2007). Pronsticos, series de tiempo y regresin. Mxico: Torzn. Pg. 10.

37

Prediccin con series de tiempo y regresin

mltiple, otros ms sofisticados como los modelos de


series temporales propuestos por Box and Jenkis1; modelos que involucran redes neurales, o las propuesta
de los premios Nobel de economa del ao 2003, entre
ellos, Robert F. Engle, de series temporales con volatilidad variante en el tiempo (modelos ARCH) y los de Clive W. J. Granger desarrollados con tendencias comunes (modelos de cointegracin). En esta lnea aparecen
tambin los modelos generalizados GARCH estudiados
por Bollersley (1986) y los modelos de volatilidad estocstica (SV) como alternativa a las falencias del uso de
los modelos anteriores.

Panorama No. 4. Tecnologas de sistemas para pymes

El mtodo Delphi se basa en el concurso de un grupo


de expertos que de forma aislada resuelve un cuestionario sobre las actividades a pronosticar, luego se
resumen las opiniones. Se espera que despus de varias rondas de cuestionarios, las respuestas del grupo
lleguen a un consenso que se utilizar como pronstico. Rowe y Wright (2001)3 desarrollan al detalle dicha
metodologa.
Una tercera tcnica cualitativa requiere comparaciones
tcnicas independientes del tiempo; es decir, las transformaciones en un rea se predicen mediante el monitoreo de cambios que tienen lugar en un rea distinta,
pero que estn relacionadas (Gerstenfeld, 1971)4.

3.2. Mtodos cuantitativos para establecer


pronsticos
Estas tcnicas necesitan el estudio de informacin histrica para estimar los valores futuros de la variable
de inters. Estos modelos se pueden agrupar en dos
clases: univariados y causales.
3.2.1. Modelos univariados
Predicen el futuro de una serie con base en su comportamiento histrico propio; son muy tiles si el patrn
detectado en el pasado se mantiene hacia el futuro, de
lo contrario no son aconsejables. Los modelos integrated autoregressive moving average model (ARIMA model) son representativos de este grupo5.
3.2.2. Modelos causales
Requieren la identificacin de otras variables que se relacionan de la manera causa efecto con la variable que
se desea predecir. Una vez identificadas estas variables
relacionadas, se construye un modelo estadstico que
pretende describir la relacin entre estas variables y la
variable que se desea pronosticar. Los modelos de regresin lineal simple y los modelos de regresin lineal
mltiple son los ms conocidos de este grupo.

4. METODOLOGA
4.1. Naturaleza de las series de tiempo
Una serie de tiempo es una serie de registros realizados
en diversos periodos de tiempo (das, semanas, meses,
trimestres, aos). Los registros son valores numricos
que varan en el tiempo. Un aspecto bsico del estudio
de las series de tiempo requiere analizar la naturaleza
de estas variaciones6 .
Las variaciones de una serie de tiempo ST se clasifican en sistemticas y aleatorias; las sistemticas
ocurren con regularidad y se pueden modelar; las
aleatorias son causadas por situaciones aisladas como
terremotos, huelgas y en consecuencia, son difciles
de modelar.
Los economistas han identificado tres diferentes tipos
de variaciones: tendencia secular, variaciones cclicas y
variaciones estacionales.
La tendencia secular describe la naturaleza general de
la serie en periodos largos de tiempo y son debidas a
fuerzas importantes como crecimiento de la poblacin,
cambios en tecnologa y en los hbitos de consumo de
los consumidores, entre otras. Estas situaciones pueden
desembocar en tendencias ascendentes, descendentes
e incluso ninguna.

Variaciones estacionales se efectan cuando las observaciones son realizadas en intervalos inferiores a un
ao (semanas, meses, trimestres); estas pueden reflejar comportamientos estacionales que se repiten de la
misma manera y con la misma regularidad ao tras
ao. El trmino estacional proviene de los pases con
estaciones; estas pueden influir en la evolucin de los
negocios; en nuestro medio dependen de las costumbres y hbitos que se manifiestan durante el ao.
Variaciones cclicas corresponden a fluctuaciones a largo plazo, ms o menos peridicas que se repiten regularmente cada cierto nmero de aos, en las actividades
econmicas en periodos de crisis y de recuperacin.

3 Rowe, G. y Wright, G. (2001). Expert opinions in forecasting: The role of the Delphi technique. En: Principles of forecasting: A handbook
for researchers and practitioners. Boston: Kluwar.
4 Gerstenfeld, Arthur (1971). Technological forecasting. En: Journal of Business. Vol. 44, No. 1.
5 Pindick, R. S. y Rubinfeld, D. L. (1991). Econometric models and economic forecasts. Sinagpore: McGraw Hill. Ver introduccin. Pg. XVII.
6 Zuwaylif, F. H. (1977). Estadstica general aplicada. Mxico: Fondo Educativo Interamericano. Pg. 333.

38

4.2. Tendencia secular y variaciones estacionales


aplicadas a la prediccin

la empresa XX entre enero de 1999 y diciembre del


2003. Ver Anexo N.1.
A continuacin se obtuvo el total de las ventas anuales
en millones de pesos.

Tabla N. 1. Ventas anuales


4.2.1. Tendencia secular
Como ya se coment, son aquellas variaciones suaves
y constantes que se suceden en un perodo relativamente extenso. El perodo debe ser largo, mnimo de
cinco aos como para establecer una lnea de tendencia significativa. Antes de tomar cualquier decisin se
debe hacer un estudio exploratorio de la informacin
que involucre grficos de dispersin en el tiempo, de
tal forma que se pueda visualizar algn tipo de relacin. Las relaciones pueden ser diversas; este trabajo
est desarrollado bajo el supuesto de que la relacin
es lineal.

Ao

Ventas en
millones de $

31/1/99
31/12/99

218,7

30/12/00

235,3

30/12/01

246,3

31/12/02

261,6

31/12/03

283,9

Mediante un diagrama de dispersin se visualiza la posible relacin lineal (ver Grfico N.1).

4.2.2. Tendencia lineal


El modelo de regresin lineal es el apropiado para realizar pronsticos cuando la tendencia es lineal.
El objetivo del modelo de regresin de dos variables, el
lineal, es la comprensin de la naturaleza probabilstica
del modelo de regresin de tal manera que, a partir
de un valor observado de X (variable independiente),
logremos observar varios valores posibles de Y (variable dependiente). El ejemplo desarrollado por Zuwaylif
considera las ventas hipotticas efectuadas en millones
de pesos mensualmente. Estas probablemente variarn
cada ao, debido a la situacin cambiante de los negocios, las preferencias de los clientes, la competencia,
y en general, a los hechos que acompaan el desarrollo normal de las empresas. A no ser que se disponga
de informacin adicional, supondremos que para cada
observacin de X (aos), los comportamientos de Y
(ventas) diferirn de forma aleatoria. Usamoscomo
componente de error aleatorio.
Para tal efecto se tom una serie con periodicidad mensual del valor hipottico de las ventas mensuales de

39

4.2.2.1. Obtencin del modelo de regresin lineal


A partir de los datos obtenidos que se presentan en la
Tabla N.1 y realizando un cambio de base para la variable tiempo, como es tomar el ao 1999 como periodo cero 0, el ao 2000 como 1 y as sucesivamente
hasta el ltimo periodo de estudio, se obtiene la ecuacin de regresin lineal, utilizando el men Herramientas/Analizar Datos/Regresin que posee la hoja Excel.
Los resultados se presentan en el Anexo N. 2, en la
hoja Ec_t_a.
Del anexo N.2 obtenemos los parmetros de regresin
para construir el modelo de regresin o la ecuacin de
tendencia anual (Ecta) para los diversos aos de la serie:
Ecuacin de tendencia anual
(1)

Y^ Ventas_mill$ = 0 + 1 * Xaos +

Prediccin con series de tiempo y regresin

Variaciones aleatorias se refieren a los factores que


se presentan en forma accidental y son difciles de
predecir.

Panorama No. 4. Tecnologas de sistemas para pymes

Donde:
^

Ventas_mill$

Cambio de base anual a base mensual


:

Variable dependiente que se pretende


estimar; en este caso, valor de las ventas
anuales.

Parmetro de regresin correspondiente


al valor estimado de las ventas en el ao
cero.

Parmetro de regresin correspondiente


al crecimiento o disminucin (depende del
signo) del valor.

Variable independiente para el caso aos.

Componente de error aleatorio.

aos

Ventas_men_mill$

= 0/12+1/144*X

(2)
mes_jun/jul

El objetivo de este cambio es necesario cuando exploramos las variaciones estacionales de la serie de tiempo, la frmula (2) incorpora la tendencia secular anual
observada en los datos, a cada uno de los meses, obtenindose la ecuacin de tendencia modificada mensual
con origen en el mes promedio terico que recoge 15
das de junio y 15 de julio y las correspondientes ventas mensuales calculadas por el modelo.

Cambio de base a inicio de ao

Mediante la ecuacin (1), se pretende la comprensin


de la naturaleza probabilstica del modelo de regresin,
en este caso, la ecuacin de tendencia anual de manera que, cada observacin Y es una variable aleatoria,
el valor de X es fijo (conocido por el investigador) y
es la componente de error aleatorio cuyo comportamiento se basa en una distribucin de probabilidad
subyacente7.
El objetivo de obtener esta ecuacin radica en que a
partir de los datos reales mensuales podamos obtener
los resultados anuales, con el fin de estudiar y verificar
la tendencia secular; es decir, el movimiento de la serie
de tiempo en el periodo analizado y de esta manera
predecir las ventas anuales en aos futuros. Estas estimaciones sern razonables si existe una regularidad estadstica que haya prevalecido en el pasado y contine
manifestndose aproximadamente de la misma forma
en el futuro. Estas predicciones deben ser consideradas
como informacin aproximada, razn de peso para la
construccin de los respectivos intervalos de confianza
dentro de los cuales se espera que est el valor real de
la variable de estudio, con una confianza que establezca el propio investigador.
Es importante que cada ecuacin de tendencia est
acompaada del nombre y de la unidad de medida de la
variable tanto dependiente como de la independiente.

7 Pindick, R. S. y Rubinfeld, D. L. (1991). Op. cit. Pg. 46.

40

(3)

YVentas_men_mill$ = (0 /12 + 1 /144 * X


* (-5,5) + 1/144 * X

mes_jun/jul

mes_enero

Con esta ecuacin determinamos los valores de tendencia mensual haciendo un cambio de base X=0 para
enero de 1999; X=1 para febrero de 1999; X=59 para
diciembre del 2003. Ver Anexo No. 3 columna VTMi
valor de tendencia mensual. En atencin a que la ecuacin anterior (2) nos llev a un mes que estaba compuesto por das de junio y julio, por comodidad se traslada al mes inicio del ao, enero.
En resumen la ecuacin 3 permite obtener los valores
de tendencia mensual de la variable de estudio, calculados por el modelo de acuerdo con los parmetros de
regresin 0 ,

1 modificados.

Divisin de los valores reales de cada mes yi


por el respectivo valor de tendencia mensual VTMi
Se toman uno a uno los valores reales entre enero de
1999 y diciembre de 2003 y se dividen por sus correspondientes valores de tendencia mensual para obtener la columna yi / VTMi . Ver Anexo N. 3 columna

Determinacin de la razn promedio


de cada mes rpmi
Las variaciones aleatorias de la serie se eliminan promediando las cinco razones de cada mes.
(4)

rpmi =

yi
/n
vtmij

m
m

j=1

i=1

Donde:

rpmi

Se define como la razn promedio de cada


mes.

Nmero de aos.

Varia de 1 = enero a 12 = diciembre.

Razn
media rm

ndice
estacional iei

0,90155105

0,90250628

0,85278366

0,85368723

0,97347949

0,97451094

0,99387255

0,99492561

1,03139259

1,0324854

1,02382464

1,02490943

0,9948741

0,99592822

0,99492287

0,99597704

0,95329536

0,95430543

10

1,02658246

1,02767018

11

1,02144751

1,02252978

12

1,21927259

1,22056447

TOTAL

11,9872989

12

Uso de los ndices estacionales en la prediccin

Determinacin de los valores


desestacionalizados VDi mensuales
Es el resultado de dividir cada uno de los valores reales
por su correspondiente ndice estacional:
(5)

yi

/ie

Mes

Corresponde a la multiplicacin de cada uno de los valores mensuales desestacionalizados por los 12 meses
del ao. Estos valores desestacionalizados se utilizan
para hacer anlisis ms rigurosos del comportamiento
real de la variable que se est pronosticando.

Ver Tabla N. 2.

VDi =

Tabla N. 2.

Ver anexo N. 3 columna identificada con VD.

A partir del mes que se desee estimar y con la ecuacin de tendencia mensual de las ventas obtenida en
la frmula (3) se encuentra el valor de tendencia para
el mes deseado. Ahora bien, si en seguida este valor lo
multiplicamos por el respectivo ndice estacional registrado en la tabla 2, se obtiene la respectiva prediccin.
Al final del Anexo 3, soporte de la Tabla 2, se obtiene la
respectiva prediccin.
4.2.3. Modelos de regresin exponencial
Si en el anlisis exploratorio de la informacin se presentan crecimientos geomtricos, que se pueden verificar con la correspondiente grfica de dispersin, se
deben utilizar los modelos o ajustes exponenciales.
Ejemplos tpicos: la poblacin de un pas, regin o ciudad y aquellas variables que guardan relacin con el

Ventas desestacionalizadas a tasa anual vdatai


vdatai = VDi * 12

41

Prediccin con series de tiempo y regresin

yi / VTMi . Este procedimiento elimina la variacin por


tendencia; en otras palabras, los valores reales de cada
mes se expresan como porcentaje del valor de tendencia del respectivo mes.

La ecuacin general del modelo de regresin exponencial est dada por la siguiente expresin:

rio, situaciones de incertidumbre con las utilidades y


los ingresos, se acostumbra trabajar con una curva de
segundo grado.
La ecuacin general del modelo de regresin parablica es:
^

Y = 0 + 1 * X +2 X +

Donde:
X

Variable independiente.

trmino de error.

Si se aplican logaritmos a ambos lados de la ecuacin,


el modelo se transforma en lineal, de tal forma, que la
estimacin de los parmetros de regresin y la obtencin de las medidas para medir la bondad de ajuste se
resuelven por los diferentes mtodos que existen en la
regresin lineal.
En el Anexo N. 4 se presenta el desarrollo para los
dos modelos: el exponencial y por supuesto, el lineal
con base en la misma serie de ventas mensuales del
perodo enero de 1999 hasta diciembre del 20038. En
ambos casos se muestra el desarrollo manual utilizando el mtodo de los mnimos cuadrados, y el desarrollo
automtico a travs de las funciones de anlisis de datos que posee la herramienta.
4.2.4. Modelos de regresin parablica
Si el diagrama de dispersin presenta comportamientos parablicos o la lnea poligonal presenta una parte
ascendente y en seguida una descendente, o lo contra-

8 Zuwaylif, F. H. (1977). Op. cit. Pg. 354.

42

y = 0

+ 1

+ 2

Parmetro de regresin o tasa de crecimiento o decrecimiento.

+ 1

+ 2

= 0

Xy

Parmetro de regresin o valor inicial o


valor presente.

+2

y = n0 + 1

Variable dependiente a estimar o valor


futuro.

Las ecuaciones normales en este caso seran:

Y = 01 +

Panorama No. 4. Tecnologas de sistemas para pymes

comportamiento de la poblacin o la evolucin de una


enfermedad (propagacin de virus). Las variables financieras, captacin, prstamos que involucran el clculo
de rendimientos e intereses peridicos compuestos.

Se estiman los parmetros de regresin o, 1, 2


con la ayuda de algn mtodo algebraico y se reemplazan en la ecuacin general del modelo parablico de
regresin para realizar las correspondientes estimaciones. El procedimiento se ilustra en el Anexo N. 5.
4.2.5. Resultados
Los mtodos de regresin lineal, exponencial y parablico, as como los de prediccin con series cronolgicas,
se constituyen en la metodologa clsica utilizada por
la estadstica para realizar estimaciones. Son muy usados gracias a su fcil comprensin e implementacin.
Asimismo poseen unas medidas que permiten valorar
la calidad de las estimaciones, entre las que se encuentran el coeficiente de correlacin, el coeficiente de determinacin y el error estndar de estimacin, entre
otros. Estos estadgrafos que miden la dependencia
mutua entre las variables se deben calcular e interpretar de tal manera que se constituyen en el indicador
principal para seleccionar el modelo a utilizar.

BIBLIOGRAFA

El presente trabajo pretende implementar la teora


bsica de los modelos de regresin desarrollada en
los textos, utilizando herramientas de fcil adquisicin y utilizacin como la hoja de clculo Excel, con
el fin de democratizar estas metodologas y ponerlas
al alcance de los dueos de las microempresas que
no cuentan con muchos recursos para la compra de
software especializado.

BOX, G.E.P. y JENKINS, G. M. (1976). Time series analysis, forecasting and control. San Francisco: Holden
Day Inc.
BOWERMAN, B. L.; O`CONNELL, R. T. y KOEHLER, A.
B. (2007). Pronsticos, series de tiempo y regresin.
Mxico: Torzn.
ROWE, G. y Wright, G. (2001). Expert opinions in
forecasting: The role of the Delphi Technique. En:
Principles of forecasting: A handbook for researchers
and practitioners. Boston: Kluwar.
GERSTENFELD, Arthur (1971). Technological forecasting. En: Journal of Business. Vol. 44. N. 1.
PINDICK, R. S. y RUBINFELD, D. L. (1991). Econometric models and economic forecasts. Sinagpore:
McGraw Hill.
ZUWAYLIF, F. H. (1977). Estadstica General Aplicada.
Mxico: Fondo Educativo Interamericano.
BENCARDINO, C. M. (2002). Estadstica y muestreo.
Bogot: Ecoe.

Estas herramientas son tiles siempre y cuando la informacin con la que se cuenta sea confiable, de lo
contrario, se sugieren mtodos de tipo cualitativo. Por
ltimo se espera despertar en la comunidad de las
pequeas y medianas empresas el inters por llevar
un buen sistema de informacin que sea de su entera
confianza a travs de los aos.

Anexo N. 1. Ventas
y
rpmi =

j=1

Fecha
31/1/99

Ventas en
millones de $

i=1

Fecha

vtmij

/n

Ventas en
millones de $

Fecha

Ventas en
millones de $

15,8

30/10/00

20,6

31/7/02

22,1

28/2/99

15

29/11/00

20,9

31/8/02

21,8

31/3/99

17,9

30/12/00

24,1

30/9/02

21,3

30/4/99

17,4

31/10/02

22,6

31/5/99

18,5

30/11/02

21,7

30/6/99

18,9

31/12/02

27,7

31/1/03

20,6

28/2/03

19,6

31/3/03

21,9

30/4/03

23,5

31/7/99

17,9

30/1/01

18,3

27/2/01

17,1

30/3/01

19,7

29/4/01

20,5

31/8/99

18,3

30/5/01

21,2

29/6/01

20,7

30/9/99

18,1

31/10/99

18,8

30/7/01

30/11/99

19,2

30/8/01

21

31/5/03

23,8

31/12/99

22,9

29/9/01

19,2

30/6/03

23,8

31/7/03

24,1

20,5

31/1/00

17

30/10/01

21,5

28/2/00

16

29/11/01

21,5

30/3/00

19

30/12/01

25,1

29/4/00

19,3

30/1/02

19,2

30/5/00

20,2

28/2/02

18,8

29/6/00

20,3

31/3/02

20,5

30/7/00

19,1

30/4/02

21,2

30/8/00

19,9

31/5/02

22,5

29/9/00

18,9

30/6/02

22,2

31/8/03

23

30/9/03

22,7

31/10/03

25,1

30/11/03

25,2

31/12/03

30,6

fuente: Fadil H. Zuwaylif. Estadstica General Aplicada. Mxico: Fondo Educativo Interamericano. Pg. 353

43

Prediccin con series de tiempo y regresin

5. CONCLUSIONES Y DISCUSIN

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo
N.
Anexo
N.
2.2.
Resumen
Estadsticas regresin
Coeficiente
correlacin

0,993

Coeficiente
determinacin

0,986

R^2 ajustado

0,982

Error tpico

3,378

Observaciones

Anlisis de los residuales


Observaciones

Anlisis de varianza
Gra
libertad
Regresin

Residuos
Total

Variable x1

0,88

0,300852503

233,49

1,81

0,618798898

249,16

-2,86

-0,977770635

264,83

-3,23

-1,104265437

280,5

3,4

1,162384671

Pro. de
cuadrados
2455,489

34,223

11,40766667

2489,712
Error
tpico

Estadstico t

215,2490

Probabilidad

0,0007

Inferior
95%

Superior
95%

3,819E-06

209,4940

226,146

15,67 1,068066789 14,67136714

0,00069

12,2709

19,069

217,82
15,67

xi

yi

^
y
i

Residuos

218,7

217,82

0,88

235,3

233,49

1,81

246,3

249,16

-2,86

261,6

264,83

-3,23

283,9

280,5

3,4

Origen:

Vr crtico F

217,82 2,616218645 83,25756733

2455,489

Y = 0 + 1 x +
=

Rdos.
estndares

217,82

Ecuacin de tendencia anual Ec_t_a

Residuos

Suma
cuadrados

Coeficientes
Intercepcin

Pronstico
y

31/12/99

31/12/99

Unidad de x: anual
y: ventas anuales

44

Cambio de base anual a base mensual


^ '

Y = 0 / 12 + (1 / 144)x +
0 / 12 =

18,1516667

1 / 12 =

0,10881944

Origen:

16/06/99

16/07/99

Unidad de x: mensual
y: ventas mensuales

Cambio de base de origen


^'

Y = (0 / 12 + (1 / 144)(-5,5)) + 1 / 144 x +
Ecuacin de tendencia mensual

0 = 17,5531597
1 = 0,10881944
Factor cambio origen enero:
Origen:

5,5

31/01/99

Unidad de x: mensual
y: ventas mensuales

45

Prediccin con series de tiempo y regresin

Anexo N. 2.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 3. Determinacin del valor de tendencia


mensual VTM ; yi / VTMi ; VD ; vdata

Periodo

Fecha

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

31/01/1999
28/02/1999
31/03/1999
30/04/1999
31/05/1999
30/06/1999
31/07/1999
31/08/1999
30/09/1999
31/10/1999
30/11/1999
31/12/1999
31/01/2000
28/02/2000
30/03/2000
29/04/2000
30/05/2000
29/06/2000
30/07/2000
30/08/2000
29/09/2000
30/10/2000
29/11/2000
30/12/2000
30/01/2001
27/02/2001
30/03/2001
29/04/2001
30/05/2001
29/06/2001
30/07/2001
30/08/2001
29/09/2001
30/10/2001
29/11/2001
30/12/2001
30/01/2002
28/02/2002
31/03/2002
30/04/2002
31/05/2002

VTMi

17,5531597
17,6619792
17,7707986
17,8796181
17,9884375
18,0972569
18,2060764
18,3148958
18,4237153
18,5325347
18,6413542
18,7501736
18,8589931
18,9678125
19,0766319
19,1854514
19,2942708
19,4030903
19,5119097
19,6207292
19,7295486
19,8383681
19,9471875
20,0560069
20,1648264
20,2736458
20,3824653
20,4912847
20,6001042
20,7089236
20,8177431
20,9265625
21,0353819
21,1442014
21,2530208
21,3618403
21,4706597
21,5794792
21,6882986
21,7971181
21,9059375

yi / VTMi

0,90012284
0,84928194
1,00727043
0,97317515
1,02843841
1,04435717
0,98318823
0,99918668
0,98242942
1,0144322
1,02996809
1,22132202
0,90142671
0,84353428
0,99598294
1,0059706
1,04694291
1,0462251
0,97888932
1,01423346
0,957954
1,03839186
1,04776676
1,201635
0,90752083
0,84345954
0,96651704
1,00042532
1,02912101
0,99956909
0,98473691
1,0035093
0,91274787
1,01682724
1,0116209
1,1749924
0,8942436
0,87119804
0,94521015
0,97260564
1,02711879

46

VD

17,5068033
17,5708381
18,3681878
17,4887448
17,9179289
18,4406538
17,9731828
18,3739175
18,9666741
18,2938071
18,7769593
18,7618111
18,836434
18,7422273
19,4969591
19,3984353
19,5644413
19,8066281
19,1780889
19,9803803
19,8049801
20,0453419
20,4395026
19,7449627
20,2768672
20,0307554
20,2152682
20,6045556
20,532978
20,1969065
20,5838127
21,0848234
20,1193449
20,9211092
21,0262825
20,5642558
21,2740901
22,0221171
21,0361927
21,3081258
21,7920757

vdata

210,08164
210,850057
220,418254
209,864937
215,015147
221,287845
215,678194
220,487011
227,600089
219,525686
225,323511
225,141733
226,037208
224,906727
233,96351
232,781223
234,773295
237,679538
230,137067
239,764563
237,659762
240,544102
245,274031
236,939553
243,322406
240,369065
242,583218
247,254667
246,395736
242,362878
247,005753
253,017881
241,432139
251,053311
252,31539
246,77107
255,289082
264,265405
252,434313
255,69751
261,504908

41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

30/06/2002
31/07/2002
31/08/2002
30/09/2002
31/10/2002
30/11/2002
31/12/2002
31/01/2003
28/02/2003
31/03/2003
30/04/2003
31/05/2003
30/06/2003
31/07/2003
31/08/2003
30/09/2003
31/10/2003
30/11/2003
31/12/2003

22,0147569
22,1235764
22,2323958
22,3412153
22,4500347
22,5588542
22,6676736
22,7764931
22,8853125
22,9941319
23,1029514
23,2117708
23,3205903
23,4294097
23,5382292
23,6470486
23,7558681
23,8646875
23,9735069

Mes

Razn media
rmi

ndice
estacional iei

0,90155105

0,90250628

0,85278366

0,85368723

0,97347949

0,97451094

0,99387255

0,99492561

1,03139259

1,0324854

1,02382464

1,02490943

0,9948741

0,99592822

0,99492287

0,99597704

0,95329536

0,95430543

10

1,02658246

1,02767018

11

1,02144751

1,02252978

12

1,21927259

1,22056447

total

11,9872989

12

1,00841449
0,99893433
0,98055109
0,95339487
1,00667996
0,96192829
1,22200454
0,90444126
0,8564445
0,95241691
1,01718606
1,02534185
1,02055736
1,02862173
0,97713383
0,95995066
1,05658105
1,05595349
1,276409

21,6604505
22,1903542
21,8880548
22,3198982
21,9914916
21,2218759
22,6944178
22,8253259
22,9592284
22,4728108
23,6198564
23,0511734
23,221564
24,1985311
23,0929018
23,7869338
24,4241787
24,6447591
25,0703676

259,925406
266,284251
262,656657
267,838779
263,897899
254,66251
272,333013
273,90391
275,510741
269,673729
283,438277
276,614081
278,658768
290,382373
277,114822
285,443206
293,090144
295,737109
300,844412

Uso de los ndices estacionales en la prediccin

t = 5 aos (valor del denominador utilizado

para el clculo de la razn media de cada mes


durante 5 aos)

pronstico
71

12/01/2004

25,2793403

22,8147634*

* Valor estimado de las ventas para el periodo x =71,


es decir, 12 de enero de 2004, por ejemplo:
^

Y = 0 + 1 x +
25,2793 = 17,5531 + (0.1088 * 71) +

clculo del valor desestacionalizado estimado de


las ventas en enero de 2004
^
22,8147 = Y + iei
22,8147 = 25,2793 * 0,9025

47

Prediccin con series de tiempo y regresin

Anexo N. 3.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 4.

Modelo de regresin lineal


A. Clculo manual
b1=((n*suma_xy)-(suma_x*suma_y))/((n*suma_xy)-(suma_y*suma_y))
bo=(suma_y/n)-(b1*(suma_x/n))
r=((n*suma_xy)-(suma_x*suma_y))/(((n*suma_x**2)-((suma_x)^2))*((n*suma_y**2)((suma_y)^2)))^(1/2)

n

SUMA(xy)
SUMA(x)
SUMA(y)
SUMA(x**2)
SUMA(y**2)

b1
b0
r
r^2
Syx

60,00
40218,50
1830,00
1245,80
73810,00
26340,18

0,123457
16,998
0,76131
0,57959
3,43

Estimacin para x = 60,00


y estimado ser: 24,41

fecha

x^2

x*y

y^2

31/1/99

15,8

16

249,64

28/2/99

15,0

30

225,00

31/3/99

17,9

54

320,41

30/4/99

17,4

16

70

302,76

31/5/99

18,5

25

93

342,25

30/6/99

18,9

36

113

357,21

31/7/99

17,9

49

125

320,41

31/8/99

18,3

64

146

334,89

30/9/99

18,1

81

163

327,61

31/10/99

10

18,8

100

188

353,44

30/11/99

11

19,2

121

211

368,64

31/12/99

12

22,9

144

275

524,41

31/1/00

13

17,0

169

221

289,00

28/2/00

14

16,0

196

224

256,00

30/3/00

15

19,0

225

285

361,00

29/4/00

16

19,3

256

309

372,49

30/5/00

17

20,2

289

343

408,04

29/6/00

18

20,3

324

365

412,09

48

30/7/00

19

19,1

361

363

364,81

30/8/00

20

19,9

400

398

396,01

29/9/00

21

18,9

441

397

357,21

30/10/00

22

20,6

484

453

424,36

29/11/00

23

20,9

529

481

436,81

30/12/00

24

24,1

576

578

580,81

30/1/01

25

18,3

625

458

334,89

27/2/01

26

17,1

676

445

292,41

30/3/01

27

19,7

729

532

388,09

29/4/01

28

20,5

784

574

420,25

30/5/01

29

21,2

841

615

449,44

29/6/01

30

20,7

900

621

428,49

30/7/01

31

20,5

961

636

420,25

30/8/01

32

21,0

1024

672

441,00

29/9/01

33

19,2

1089

634

368,64

30/10/01

34

21,5

1156

731

462,25

29/11/01

35

21,5

1225

753

462,25

30/12/01

36

25,1

1296

904

630,01

30/1/02

37

19,2

1369

710

368,64

28/2/02

38

18,8

1444

714

353,44

31/3/02

39

20,5

1521

800

420,25

30/4/02

40

21,2

1600

848

449,44

31/5/02

41

22,5

1681

923

506,25

30/6/02

42

22,2

1764

932

492,84

31/7/02

43

22,1

1849

950

488,41

31/8/02

44

21,8

1936

959

475,24

30/9/02

45

21,3

2025

959

453,69

31/10/02

46

22,6

2116

1040

510,76

30/11/02

47

21,7

2209

1020

470,89

31/12/02

48

27,7

2304

1330

767,29

31/1/03

49

20,6

2401

1009

424,36

28/2/03

50

19,6

2500

980

384,16

31/3/03

51

21,9

2601

1117

479,61

30/4/03

52

23,5

2704

1222

552,25

31/5/03

53

23,8

2809

1261

566,44

30/6/03

54

23,8

2916

1285

566,44

31/7/03

55

24,1

3025

1326

580,81

31/8/03

56

23,0

3136

1288

529,00

30/9/03

57

22,7

3249

1294

515,29

31/10/03

58

25,1

3364

1456

630,01

30/11/03

59

25,2

3481

1487

635,04

31/12/03

60

30,6

3600

1836

936,36

TOTALES

1830

1245,8

73810

40219

26340,18

49

Prediccin con series de tiempo y regresin

Anexo N. 4.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 4.

b. clculo excel
Resumen
Anlisis de varianza
Gra
libertad
Regresin

Suma
cuadrados

Pro. de
cuadrados

1,00

274,27

274,27

Residuos

58,00

198,95

3,43

Total

59,00

473,22

Coeficientes
Intercepcin
Variable x1

Error
tpico

Vr crtico
d
79,96

Estadstico
t

Probabilidad

0,00

Inferior
95%

Superior
95%

17,00

0,48

35,10

0,00

16,03

17,97

0,12

0,01

8,94

0,00

0,10

0,15

Estadsticas regresin
Coeficiente
correlacin

0,76

Coeficiente
determinacin

0,58

R^2 ajustado

0,57

Error tpico

1,85

Observaciones

Anlisis de los residuales

60,00

50

Observaciones

Pronstico y*

Residuos

1,00

17,12

-1,32

2,00

17,24

-2,24

3,00

17,37

0,53

4,00

17,49

-0,09

5,00

17,62

0,88

6,00

17,74

1,16

7,00

17,86

0,04

8,00

17,99

0,31

9,00

18,11

-0,01

10,00

18,23

0,57

11,00

18,36

0,84

12,00

18,48

4,42

13,00

18,60

-1,60

14,00

18,73

-2,73

15,00

18,85

0,15

16,00

18,97

0,33

17,00

19,10

1,10

18,00

19,22

1,08

19,00

19,34

-0,24

20,00

19,47

0,43

Prediccin con series de tiempo y regresin

Anexo N. 4.

21,00

19,59

-0,69

22,00

19,71

0,89

23,00

19,84

1,06

24,00

19,96

4,14

25,00

20,08

-1,78

26,00

20,21

-3,11

27,00

20,33

-0,63

28,00

20,45

0,05

29,00
30,00
31,00
32,00
33,00
34,00
35,00
36,00
37,00
38,00
39,00
40,00
41,00
42,00
43,00
44,00
45,00
46,00

20,58
20,70
20,83
20,95
21,07
21,20
21,32
21,44
21,57
21,69
21,81
21,94
22,06
22,18
22,31
22,43
22,55
22,68

0,62
0,00
-0,33
0,05
-1,87
0,30
0,18
3,66
-2,37
-2,89
-1,31
-0,74
0,44
0,02
-0,21
-0,63
-1,25
-0,08

47,00

22,80

-1,10

48,00

22,92

4,78

49,00

23,05

-2,45

50,00

23,17

-3,57

51,00

23,29

-1,39

52,00

23,42

0,08

53,00

23,54

0,26

54,00

23,66

0,14

55,00

23,79

Resultados de datos
de probabilidad

0,31

Percentil

0,83

15,00

2,50

15,80

59,17

21,20

4,17

16,00

60,83

21,20

5,83

17,00

62,50

21,30

7,50

17,10

64,17

21,50

9,17

17,40

65,83

21,50

10,83

17,90

67,50

21,70

12,50

17,90

69,17

21,80

14,17

18,10

70,83

21,90

15,83

18,30

72,50

22,10

17,50

18,30

74,17

22,20

19,17

18,50

75,83

22,50

20,83

18,80

77,50

22,60

22,50

18,80

79,17

22,70

24,17

18,90

80,83

22,90

25,83

18,90

82,50

23,00

27,50

19,00

84,17

23,50

29,17

19,10

85,83

23,80

30,83

19,20

87,50

23,80

32,50

19,20

89,17

24,10

34,17

19,20

90,83

24,10

35,83

19,30

92,50

25,10

37,50

19,60

94,17

25,10

39,17

19,70

95,83

25,20

40,83

19,90

97,50

27,70

42,50

20,20

99,17

30,60

44,17

20,30

45,83

20,50

47,50

20,50

49,17

20,50

50,83

20,60

52,50

20,60

56,00

23,91

-0,91

57,00

24,03

-1,33

54,17

20,70
20,90
21,00

58,00

24,16

0,94

55,83

59,00

24,28

0,92

57,50

60,00

24,41

6,19

Pronstico y* tiene implcita la tendencia

51

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 4.

Modelo de regresin exponencial

A. Clculo manual
^

Y = 0 + 1 x +I
n

SUMA(xlogy)
SUMA(x)
SUMA(logy)
SUMA(x**2)
SUMA(logy**2)

60,00
2449,84
1830,00
78,81
73810,00
103,71

Log y^ = Log0 + x Log1 +i


B1
B0

1,0059
17,1847

Tasa
VR PRESENTE

0,59%
17,18

LOGB1
LOGB0
r
r^2
Syx

0,0026
1,2351
0,7749
0,6005
0,0014

Estimacin
Para X =
LOGY
ESTIMADO

0,0369
60,0000

60,0000

1,3892*

24,50**

24,50263

* 1,3892 = 1,2351 + (0,0026*60)


** 24,50 = 17,1847 * (1,0059)60

logy

xlogy

logy^2

x^2

31/1/99

fecha

15,8

1,1987

1,199

1,437

28/2/99

15,0

1,1761

2,352

1,383

31/3/99

17,9

1,2529

3,759

1,570

30/4/99

17,4

1,2405

4,962

1,539

16

31/5/99

18,5

1,2672

6,336

1,606

25

30/6/99

18,9

1,2765

7,659

1,629

36

31/7/99

17,9

1,2529

8,770

1,570

49

31/8/99

18,3

1,2625

10,100

1,594

64

30/9/99

18,1

1,2577

11,319

1,582

81

31/10/99

10

18,8

1,2742

12,742

1,623

100

30/11/99

11

19,2

1,2833

14,116

1,647

121

31/12/99

12

22,9

1,3598

16,318

1,849

144

31/1/00

13

17,0

1,2304

15,996

1,514

169

28/2/00

14

16,0

1,2041

16,858

1,450

196

30/3/00

15

19,0

1,2788

19,181

1,635

225

29/4/00

16

19,3

1,2856

20,569

1,653

256

30/5/00

17

20,2

1,3054

22,191

1,704

289

29/6/00

18

20,3

1,3075

23,535

1,710

324

30/7/00

19

19,1

1,2810

24,340

1,641

361

30/8/00

20

19,9

1,2989

25,977

1,687

400

52

29/9/00

21

18,9

1,2765

26,806

1,629

441

30/10/00

22

20,6

1,3139

28,905

1,726

484

29/11/00

23

20,9

1,3201

30,363

1,743

529

30/12/00

24

24,1

1,3820

33,168

1,910

576

30/1/01

25

18,3

1,2625

31,561

1,594

625

27/2/01

26

17,1

1,2330

32,058

1,520

676

30/3/01

27

19,7

1,2945

34,951

1,676

729

29/4/01

28

20,5

1,3118

36,729

1,721

784

30/5/01

29

21,2

1,3263

38,464

1,759

841

29/6/01

30

20,7

1,3160

39,479

1,732

900

30/7/01

31

20,5

1,3118

40,664

1,721

961

30/8/01

32

21,0

1,3222

42,311

1,748

1024

29/9/01

33

19,2

1,2833

42,349

1,647

1089

30/10/01

34

21,5

1,3324

45,303

1,775

1156

29/11/01

35

21,5

1,3324

46,635

1,775

1225

30/12/01

36

25,1

1,3997

50,388

1,959

1296

30/1/02

37

19,2

1,2833

47,482

1,647

1369

28/2/02

38

18,8

1,2742

48,418

1,623

1444

31/3/02

39

20,5

1,3118

51,158

1,721

1521

30/4/02

40

21,2

1,3263

53,053

1,759

1600

31/5/02

41

22,5

1,3522

55,439

1,828

1681

30/6/02

42

22,2

1,3464

56,547

1,813

1764

31/7/02

43

22,1

1,3444

57,809

1,807

1849

31/8/02

44

21,8

1,3385

58,892

1,791

1936

30/9/02

45

21,3

1,3284

59,777

1,765

2025

31/10/02

46

22,6

1,3541

62,289

1,834

2116

30/11/02

47

21,7

1,3365

62,814

1,786

2209

31/12/02

48

27,7

1,4425

69,239

2,081

2304

31/1/03

49

20,6

1,3139

64,379

1,726

2401

28/2/03

50

19,6

1,2923

64,613

1,670

2500

31/3/03

51

21,9

1,3404

68,363

1,797

2601

30/4/03

52

23,5

1,3711

71,296

1,880

2704

31/5/03

53

23,8

1,3766

72,959

1,895

2809

30/6/03

54

23,8

1,3766

74,335

1,895

2916

31/7/03

55

24,1

1,3820

76,011

1,910

3025

31/8/03

56

23,0

1,3617

76,257

1,854

3136

30/9/03

57

22,7

1,3560

77,293

1,839

3249

31/10/03

58

25,1

1,3997

81,181

1,959

3364

30/11/03

59

25,2

1,4014

82,683

1,964

3481

31/12/03

60

30,6

1,4857

89,143

2,207

3600

totales

1830

1245,8

78,8077

2449,843

103,708

73810

53

Prediccin con series de tiempo y regresin

Anexo N. 4.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 4.

b. clculo excel
Resumen
Anlisis de varianza
Gra
libertad
Regresin

Suma
cuadrados

Pro. de
cuadrados

1,00

0,12

0,12

Residuos

58,00

0,8

0,00

Total

59,00

0,20

Coeficientes

Error
tpico

Vr crtico
d
87,19

Estadstico
t

Probabilidad

0,00

Inferior
95%

Superior
95%

Intercepcin

1,24

0,01

128,06

0,00

1,22

1,25

Variable x1

0,00

0,00

9,34

0,00

0,00

0,00

Estadsticas regresin

Anlisis de los residuales

Coeficiente
correlacin

0,77

Coeficiente
determinacin

0,60

R^2 ajustado

0,59

Error tpico
Observaciones

Observaciones

Pronstico y*

Residuos

1,00

1,24

-0,04

2,00

1,24

-0,06

3,00

1,24

0,01

4,00

1,25

0,00

0,04

5,00

1,25

0,02

60,00

6,00

1,25

0,03

7,00

1,25

0,00

8,00

1,26

0,01

9,00

1,26

0,00

10,00

1,26

0,01

11,00

1,26

0,02

12,00

1,27

0,09

13,00

1,27

-0,04

14,00

1,27

-0,07

15,00

1,27

0,01

16,00

1,28

0,01

17,00

1,28

0,03

18,00

1,28

0,03

19,00

1,28

0,00

20,00

1,29

0,01

54

21,00

1,29

-0,01

22,00

1,29

0,02

23,00

1,29

0,03

24,00

1,30

0,09

25,00

1,30

-0,04

26,00

1,30

-0,07

27,00

1,30

-0,01

28,00

1,31

0,00

29,00

1,31

0,02

30,00

1,31

0,00

31,00

1,31

0,00

32,00

1,32

0,00

33,00

1,32

-0,04

34,00

1,32

0,01

35,00

1,33

0,01

36,00

1,33

0,07

37,00

1,33

-0,05

38,00

1,33

-0,06

39,00

1,34

-0,02

40,00

1,34

-0,01

41,00

1,34

0,01

42,00

1,34

0,00

43,00

1,35

0,00

44,00

1,35

-0,01

45,00

1,35

-0,02

46,00

1,35

0,00

47,00

1,36

-0,02

48,00

1,36

0,08

49,00

1,36

-0,05

50,00

1,36

-0,07

51,00

1,37

-0,03

52,00

1,37

0,00

53,00

1,37

0,01

54,00

1,37

0,00

55,00

1,38

0,01

56,00

1,38

-0,02

57,00

1,38

-0,03

58,00

1,38

0,02

59,00

1,39

0,01

60,00

1,39

0,10

Pronstico y* dados en logartmos

55

Prediccin con series de tiempo y regresin

Anexo N. 4.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 5.

Modelo de regresin parablica


clculo MANUAL
Ecuaciones normales para la regresin parablica

60,00

B2

B1

Bo

SUMA(xy)

38972,70

SUMA(x)

1770,00

38973 =

3132900

70210

1770

SUMA(y)

1245,80

1592560 =

149111998

3132900

70210

SUMA(x^2)

70210,00

SUMA(x^3)

3132900,00

SUMA(x^4)

149111998,00

B2 =

0,00086

SUMA(x^2*y)

1592559,70

B1 =

0,07297

Bo =

17,6094

2004,00

1246 =

70210

1770

60

Valores estimados de los parmetros de la regresin

Estimacin
y =

71,00
27,10

B 2 X 2 + B 1X + B o

yEST = 0,00086 (71)2 + 0,07297(71) + 17,61


ventas estimadas dic-04 = 27,10

x^2

x*y

y^2

x^3

x^4

(x^2)*y

31/1/99

fecha

15,8

0,0

249,6

0,0

28/2/99

15,0

15,0

225,0

15,0

31/3/99

17,9

35,8

320,4

16

71,6

30/4/99

17,4

52,2

302,8

27

81

156,6

31/5/99

18,5

16

74,0

342,3

64

256

296,0

30/6/99

18,9

25

94,5

357,2

125

625

472,5

31/7/99

17,9

36

107,4

320,4

216

1296

644,4

31/8/99

18,3

49

128,1

334,9

343

2401

896,7

30/9/99

18,1

64

144,8

327,6

512

4096

1158,4

31/10/99

18,8

81

169,2

353,4

729

6561

1522,8

30/11/99

10

19,2

100

192,0

368,6

1000

10000

1920,0

31/12/99

11

22,9

121

251,9

524,4

1331

14641

2770,9

31/1/00

12

17,0

144

204,0

289,0

1728

20736

2448,0

28/2/00

13

16,0

169

208,0

256,0

2197

28561

2704,0

30/3/00

14

19,0

196

266,0

361,0

2744

38416

3724,0

29/4/00

15

19,3

225

289,5

372,5

3375

50625

4342,5

30/5/00

16

20,2

256

323,2

408,0

4096

65536

5171,2

29/6/00

17

20,3

289

345,1

412,1

4913

83521

5866,7

30/7/00

18

19,1

324

343,8

364,8

5832

104976

6188,4

56

30/8/00

19

19,9

361

378,1

396,0

6859

130321

7183,9

29/9/00

20

18,9

400

378,0

357,2

8000

160000

7560,0

30/10/00

21

20,6

441

432,6

424,4

9261

194481

9084,6

29/11/00

22

20,9

484

459,8

436,8

10648

234256

10115,6

30/12/00

23

24,1

529

554,3

580,8

12167

279841

12748,9

30/1/01

24

18,3

576

439,2

334,9

13824

331776

10540,8

27/2/01

25

17,1

625

427,5

292,4

15625

390625

10687,5

30/3/01

26

19,7

676

512,2

388,1

17576

456976

13317,2

29/4/01

27

20,5

729

553,5

420,3

19683

531441

14944,5

30/5/01

28

21,2

784

593,6

449,4

21952

614656

16620,8

29/6/01

29

20,7

841

600,3

428,5

24389

707281

17408,7

30/7/01

30

20,5

900

615,0

420,3

27000

810000

18450,0

30/8/01

31

21,0

961

651,0

441,0

29791

923521

20181,0

29/9/01

32

19,2

1024

614,4

368,6

32768

1048576

19660,8

30/10/01

33

21,5

1089

709,5

462,3

35937

1185921

23413,5

29/11/01

34

21,5

1156

731,0

462,3

39304

1336336

24854,0

30/12/01

35

25,1

1225

878,5

630,0

42875

1500625

30747,5

30/1/02

36

19,2

1296

691,2

368,6

46656

1679616

24883,2

28/2/02

37

18,8

1369

695,6

353,4

50653

1874161

25737,2

31/3/02

38

20,5

1444

779,0

420,3

54872

2085136

29602,0

30/4/02

39

21,2

1521

826,8

449,4

59319

2313441

32245,2

31/5/02

40

22,5

1600

900,0

506,3

64000

2560000

36000,0

30/6/02

41

22,2

1681

910,2

492,8

68921

2825761

37318,2

31/7/02

42

22,1

1764

928,2

488,4

74088

3111696

38984,4

31/8/02

43

21,8

1849

937,4

475,2

79507

3418801

40308,2

30/9/02

44

21,3

1936

937,2

453,7

85184

3748096

41236,8

31/10/02

45

22,6

2025

1017,0

510,8

91125

4100625

45765,0

30/11/02

46

21,7

2116

998,2

470,9

97336

4477456

45917,2

31/12/02

47

27,7

2209

1301,9

767,3

103823

4879681

61189,3

31/1/03

48

20,6

2304

988,8

424,4

110592

5308416

47462,4

28/2/03

49

19,6

2401

960,4

384,2

117649

5764801

47059,6

31/3/03

50

21,9

2500

1095,0

479,6

125000

6250000

54750,0

30/4/03

51

23,5

2601

1198,5

552,3

132651

6765201

61123,5

31/5/03

52

23,8

2704

1237,6

566,4

140608

7311616

64355,2

30/6/03

53

23,8

2809

1261,4

566,4

148877

7890481

66854,2

31/7/03

54

24,1

2916

1301,4

580,8

157464

8503056

70275,6

31/8/03

55

23,0

3025

1265,0

529,0

166375

9150625

69575,0

30/9/03

56

22,7

3136

1271,2

515,3

175616

9834496

71187,2

31/10/03

57

25,1

3249

1430,7

630,0

185193

10556001

81549,9

30/11/03

58

25,2

3364

1461,6

635,0

195112

11316496

84772,8

31/12/03

59

30,6

3481

1805,4

936,4

205379

12117361

106518,6

totales

1770

1245,8

70210

38972,7

26340,2

3132900

149111998

1592559,7

57

Prediccin con series de tiempo y regresin

Anexo N. 5.

Panorama No. 4. Tecnologas de sistemas para pymes

Anexo N. 5.
Modelo general de regresin parablico
yest = B2X^2+B1X+B0+
suma(y)= B2*suma(x^2)+B1*suma(x^2)+n*Bo
suma(xy)= B2*suma(x^3)+B1*suma(x^2)+B0*suma(x)
suma (x^2*y)= B2*suma(x^4)+B1*suma(x^3)+B0*suma(x^2)
Reemplazando por sus equivalentes tenemos las ecuaciones normales para la regresin parablica:
1

1246

70210

B2

38973

1592560

1770

B1

3132900

149111998

60,00

B0

B2

70210

B2

3132900

B1

1770,00

B0

B1

70210,00

B0

Multimplicamos por -29,5 la primera ecuacin y la sumamos a la segunda


-29,5
1

-36751

-2071195

B2

-52215 B1

-1770 B0

38973

3132900

B2

70210 B1

1770 B0

2221,60

1061705,00 B2

17995,00 B1

0,00 B0

suma

_4_

multiplicamos por -1170,16 la primera ecuacin y la sumamos a la tercera


-1170,16
1

-1457793,63

-82157401,67 B2

-2071195,00 B1

-70210,00 b0

1592559,70

149111998,00 B2

3132900,00 B1

70210,00 B0

134766,07

66954596,33 B2

1061705,00 B1

0,0 B0

_4_

2221,60

1061705,00 B2

17995,00 B1

0,00 B0

_5_

134766,07

66954596,33 B2

1061705,00B1

0,00 B0

suma

Multiplicamos por -59,00 la cuarta ecuacin y la sumamos a la quinta


-59,00
4

-131074,40

-62640595,00 B2

-1061705,00 B1

134766,07

66954596,33 B2

1061705,00 B1

3691,67

4314001,33 B2

0,00 B1

suma
Despejamos B2
luego

B2

0,000856

Tomamos la ecuacin 4 y le reemplazamos el valor de b2


tomamos 4

2221,60

1061705,00 B2

17995,00 B1

reemp B2

2221,60

908,54

17995,00 B1

0,07

Despejamos B1
luego B1

Tomamos la ecuacin 4 y le reemplazamos el valor de B2 y B1


tomamos 1

1245,80

70210,00 B2

1770,00 B1

60,00 B0

r por b1 b2

1245,80

60,08

129,15

60,00 B0

17,61

Despejamos B0
Luego B0

Obtenidos B2, B1 y B0 se reemplazan en el modelo del ajuste parablico y se estima para x deseado en este caso:
x
Estimacin

2004,0

x=

71,00

diciembre 2004

27,10393

Y = B2X^2+B1X+B0
Y estimado
Ventas estimadas dic 2004

0,00086

X^2+

0,07 X+

27,10

58

17,61

_5_